[論文レビュー] Spatial-Temporal Interactive Dynamic Graph Convolution Network for Traffic Forecasting

Aoyu Liu, Yaying Zhang|arXiv (Cornell University)|May 18, 2022

Traffic Prediction and Management Techniques被引用数 6

ひとこと要約

本稿では、相互学習戦略と動的グラフ生成モジュールを用いて、交通データにおける長距離の空間的・時系列的依存関係を同時に捉える空間的・時系列的相互作用的動的グラフ畳み込みネットワーク、STIDGCNを提案する。モデルは4つの実世界データセットにおいて最先端のベースラインを上回り、PEMS08ではMAE（14.03）、RMSE（23.35）、MAPE（9.15％）を達成した。

ABSTRACT

Accurate traffic forecasting is essential for smart cities to achieve traffic control, route planning, and flow detection. Although many spatial-temporal methods are currently proposed, these methods are deficient in capturing the spatial-temporal dependence of traffic data synchronously. In addition, most of the methods ignore the dynamically changing correlations between road network nodes that arise as traffic data changes. We propose a neural network-based Spatial-Temporal Interactive Dynamic Graph Convolutional Network (STIDGCN) to address the above challenges for traffic forecasting. Specifically, we propose an interactive dynamic graph convolution structure, which divides the sequences at intervals and synchronously captures the traffic data's spatial-temporal dependence through an interactive learning strategy. The interactive learning strategy makes STIDGCN effective for long-term prediction. We also propose a novel dynamic graph convolution module to capture the dynamically changing correlations in the traffic network, consisting of a graph generator and fusion graph convolution. The dynamic graph convolution module can use the input traffic data and pre-defined graph structure to generate a graph structure. It is then fused with the defined adaptive adjacency matrix to generate a dynamic adjacency matrix, which fills the pre-defined graph structure and simulates the generation of dynamic associations between nodes in the road network. Extensive experiments on four real-world traffic flow datasets demonstrate that STIDGCN outperforms the state-of-the-art baseline.

研究の動機と目的

• 既存のモデルでしばしば断片的となる、都市交通データにおける長距離の空間的・時系列的依存関係を捉える課題に対処すること。
• 動的で時間的に変化する交通相関を表現できない、静的または事前に定義された空間的グラフの限界を克服すること。
• 交通イベントに起因する空間的非一様性、動的関連性、不確実性などの隠れた空間的相関をモデル化すること。
• 計算コストを低減しつつ高い予測精度を維持する、非自己回帰型の効率的アーキテクチャを開発すること。

提案手法

• 時系列畳み込みとグラフ畳み込みを同期的・反復的に交互に実行する、相互作用的動的グラフ畳み込み（IDGCN）モジュールを提案し、シーケンス全体における特徴抽出を強化する。
• 入力交通データと事前知識（例：道路網構造）を組み合わせることで、時間変動する隣接行列を構築する動的グラフ生成手法を導入し、未知のノード間接続の発見を可能にする。
• 相互学習ブロック内に重み共有DGCNモジュールを採用し、遠く離れたノード間の空間的受容 field を拡大し、一般化性能を向上させる。
• 時系列的および空間的特徴を並列に更新する同期学習戦略を適用し、逐次的依存関係を回避し、推論速度を向上させる。
• 動的グラフ畳み込みを事前に定義された初期隣接行列と統合し、構造的事前知識を保持しながらも、空間的関係の適応的進化を可能にする。
• 自己回帰型モデル（例：ASTGNN）とは対照的に、非自己回帰型推論メカニズムを設計し、計算コストを低減する。

実験結果

リサーチクエスチョン

• RQ1 自己回帰的生成に依存せずに、相互学習戦略が交通予測において長距離の空間的・時系列的依存関係を効果的に捉えることができるか？
• RQ2 静的または適応的グラフと比較して、動的グラフ生成は時間的に変化する空間的相関のモデリングをどのように改善するか？
• RQ3 性能と計算効率のバランスを考慮した場合、交通予測における相互学習ステップの最適数は何か？
• RQ4 動的グラフ生成手法が、動的関連性や空間的非一様性といった隠れた空間的相関をどれほど効果的に特定できるか？

主な発見

• STIDGCNは、比較対象のすべてのベースラインの中でPEMS08データセットにおいて最低のMAE（14.03）、RMSE（23.35）、MAPE（9.15％）を達成した。
• ASTGNN、STG-NCDE、Graph WaveNetを含む最先端手法と比較して、精度と計算効率の両面で優れた性能を発揮した。
• IDGCNブロック内に実装された重み共有DGCNモジュールは、個別に設けたDGCNモジュールよりも優れた性能を示し、共有受容 field が特徴抽出を強化していることを示している。
• 相互学習ステップ数を2から1に減らすと性能が低下し、2ステップが依存関係を捕捉する最適な数であることが示された。
• 2ステップを超えて相互学習ステップ数を増やすと性能が劣化し、特徴精錬における過学習または限界効果が生じていることが示された。
• STIDGCNは、ASTGNN（44.48s/epoch、23.70s）およびSTG-NCDE（84.47s/epoch）と比較して、学習時間（22.16s/epoch）と推論時間（2.43s）を短縮し、高い効率性を示した。